Construire des agents IA avec des modèles composables

Nous avons passé 3 jours à expérimenter des workflows et des pipelines d'agents dans n8n, en suivant les guides de Anthropic et OpenAI sur la construction d'agents IA efficaces.^{1 2}

Explorez les composants de l'agent IA fondamentaux, comment choisir les bons composants et outils, ainsi que la construction de workflows d'agents basés sur les modèles simples et composables de Anthropic, tels que le chaînage de prompts, le routage, la parallélisation, les orchestrateurs-travailleurs et un évaluateur-optimiseur :

Comprendre les composants des agents IA

La construction d'agents implique la connexion de composants à travers plusieurs domaines tels que les models, les outils, la connaissance et la mémoire, et les garde-fous. OpenAI fournit des primitives composables pour chacun d'eux :

Source : OpenAI³

Évidemment, OpenAI liste ses propres solutions en premier, mais il existe un vaste écosystème d'alternatives. Selon votre cas d'utilisation, vous pouvez construire des agents en utilisant des frameworks tels que LangChain, LlamaIndex, CrewAI, ou même des couches d'orchestration personnalisées.

Je vais entrer plus en détail sur chacun de ces composants :

Models

Tout d'abord, vous avez le composant models. Ce sont vos models d'IA, vos LLMs qui constituent l'intelligence centrale capable de raisonner, de prendre des décisions et de traiter différentes modalités. Les propres exemples de OpenAI pointent vers ses models de la série GPT-5.

Selon le type spécifique d'agent que vous construisez, vous voudrez choisir un type de model différent au sein de l'écosystème OpenAI. GPT-5.5 est le model phare actuel de OpenAI. Il planifie des tâches multi-étapes, utilise des outils, vérifie son propre travail et continue jusqu'à ce qu'une tâche soit terminée. Pour les questions quotidiennes, les modes plus légers GPT-5.5 répondent plus rapidement et coûtent moins cher.

En dehors de l'écosystème OpenAI, Claude Opus 4.7 est un choix courant pour le codage intensif, le raisonnement et le travail STEM. Le Gemini 3.1 Pro de Google concurrence de près, avec une fenêtre de contexte de 1 million de tokens pour les grandes bases de code et les documents longs.

Pour les agents de codage spécifiquement, le GPT-5.3-Codex de OpenAI est son model de codage le plus capable. Il exécute des tâches longues qui mélangent recherche, utilisation d'outils et exécution, et vous pouvez le guider pendant qu'il travaille. Il mène des benchmarks comme SWE-Bench Pro et Terminal-Bench 2.0, qui testent le véritable génie logiciel et le travail en ligne de commande.

Nous avons benchmarké et comparé les meilleurs models d'IA pour vous aider à comprendre comment chacun performe en termes de raisonnement, de vitesse et de coût afin que vous puissiez choisir celui qui convient le mieux à vos objectifs.

Outils

Viennent ensuite les outils qui étendent les capacités du model, comme lui permettre de rechercher sur le web ou d'interagir avec d'autres systèmes.

Presque n'importe quelle application peut devenir un outil pour votre IA. Vous pouvez la connecter à Gmail, Calendar, votre drive, ou des applications comme Slack, Discord, YouTube, Salesforce, et Zapier. Vous pouvez même créer vos propres outils personnalisés.

Avec le OpenAI’s Agents SDK (qui nécessite un peu de codage), vous pouvez définir des outils ou utiliser ceux intégrés comme la recherche web, la recherche de fichiers et l'utilisation de l'ordinateur.⁴

MCP (Model Context Protocol) par Anthropic simplifie également l'intégration des outils en standardisant la manière dont les models y accèdent. En 2026, la valeur commerciale provient de plus en plus de « lignes d'assemblage numériques », des workflows multi-étapes guidés par l'humain où plusieurs agents exécutent des processus de bout en bout, rendus possibles par le Model Context Protocol (MCP).

Si vous n'aimez pas coder, les plateformes no-code telles que n8n vous permettent de glisser-déposer des outils pour les lier à votre model.

Connaissance et mémoire

Il existe deux types principaux de mémoire : la base de connaissances (mémoire statique) et la mémoire persistante.

• La base de connaissances donne à votre IA l'accès à des faits statiques, des politiques et des documents qui restent relativement inchangés. C'est essentiel pour les agents effectuant des tâches guidées par des politiques ou spécifiques à l'entreprise où les documents de référence doivent rester cohérents.
  
• La mémoire persistante permet à l'IA de se souvenir des interactions passées à travers les sessions. C'est crucial pour les chatbots ou les assistants personnels qui doivent se rappeler des conversations précédentes.

OpenAI fournit des services hébergés comme les vector stores, la recherche de fichiers et les embeddings pour gérer la mémoire. 

Si vous préférez des solutions open-source, Pinecone (cloud-native et optimisé pour la recherche vectorielle) et Weaviate sont des options populaires. 

Pour ceux qui utilisent des outils no-code, la gestion de la mémoire est généralement intégrée dans des plateformes comme n8n et Creatio.

Garde-fous

Les garde-fous garantissent que votre agent se comporte comme prévu, évitant les réponses non pertinentes, nocives ou inappropriées. Par exemple, un bot de service client doit rester concentré sur les sujets liés au service, et non dériver vers des sujets sans rapport.

En dehors de l'écosystème de OpenAI, les outils populaires incluent Guardrails AI et LangChain Guardrails. De nombreuses plateformes no-code ont déjà des fonctionnalités de garde-fous intégrées, mais il est toujours important de comprendre comment elles fonctionnent pour maintenir le contrôle et la conformité de vos agents.

Compétences (Skills)

Les outils permettent à un agent d'agir sur le monde extérieur. Les compétences apprennent à l'agent comment bien accomplir un travail spécifique.

Une compétence est un petit dossier d'instructions et de fichiers. Elle contient les étapes, les règles et les exemples pour une tâche, comme remplir un modèle de rapport ou suivre le guide de style d'une entreprise. L'agent ne charge une compétence que lorsque la tâche l'exige, afin de ne pas encombrer la fenêtre de contexte.

Anthropic a introduit les Agent Skills fin 2025 et a ouvert le format comme standard partagé en mars 2026.⁵ Les compétences fonctionnent sur Claude.ai, Claude Code et l'API. Le principal avantage est la cohérence : au lieu de réécrire le même long prompt à chaque fois, une équipe définit une compétence une fois et la réutilise. Cela est important en production, où le prompting ad hoc a tendance à dériver avec le temps.

Comment les compétences diffèrent des autres composants :

• Les outils connectent l'agent aux systèmes externes (email, bases de données, recherche).
• La connaissance et la mémoire donnent à l'agent des faits à lire.
• Les compétences donnent à l'agent une méthode répétable pour une tâche.

Orchestration

Le composant final est l'orchestration. Cela implique la gestion de la manière dont plusieurs sous-agents travaillent ensemble, leur déploiement en production et la surveillance de leurs performances.

Une fois déployés, les agents ont besoin d'une supervision continue. Les models, les données et les comportements changent avec le temps, donc les agents ont besoin de mises à jour régulières.

Plusieurs plateformes et frameworks supportent l'orchestration, comme :

• Plateformes low-code/no-code :
  • Stack AI
  • Microsoft Copilot Studio Agent Builder
  • Relevance AI, etc
• Frameworks open source :
  • LangGraph (partie de LangChain) : modélise un agent comme un graphe d'étapes, avec un contrôle explicite sur les embranchements, les tentatives et les validations humaines.
  • CrewAI : organise les agents comme une « équipe » de rôles, tels que chercheur, rédacteur et réviseur. Il est rapide pour le prototypage lorsque le travail se divise en rôles clairs.
  • LlamaIndex : le plus performant pour les agents qui recherchent dans des documents et des bases de connaissances internes.
  • SDKs fournisseurs : l'Agents SDK de OpenAI et le Claude Agent SDK d'Anthropic sont des boîtes à outils officielles pour construire des agents sur les models de chaque fournisseur. Le Claude Agent SDK utilise la même architecture que celle qui propulse Claude Code.

Blocs de construction de l'automatisation : Workflows vs agents

Un agent IA est un système qui perçoit son environnement, traite l'information et prend des actions autonomes pour atteindre des objectifs spécifiques, comme les agents de codage comme Cursor ou Windsurf, des éditeurs de code propulsés par l'IA avec des « modes agent » qui peuvent effectuer des tâches de codage autonomement en utilisant des models tels que Claude Opus 4.7. Un autre exemple courant est les agents de service client, que beaucoup d'entreprises utilisent pour gérer les demandes.

Il existe de nombreuses façons différentes de concevoir et de déployer ces agents, selon la complexité du workflow et le degré d'autonomie requis.

Pour donner un aperçu rapide, un agent IA est souvent une collection de sous-agents, chacun effectuant des tâches spécifiques. Ensemble, ces sous-agents se coordonnent au sein de systèmes multi-agents pour fournir ce que nous percevons comme un seul agent IA.

Ceux-ci sont fondamentalement différents des workflows. Les workflows sont des séquences orchestrées d'étapes prédéfinies, comme une recette qui suit toujours le même ordre :

Quand utiliser des agents IA

Avant les exemples de workflows, voici un rapide rappel de la réalité. Les agents ne sont pas toujours la réponse. De nombreuses équipes obtiennent encore de bons résultats avec des workflows simples, même sur des tâches où un agent pourrait, en théorie, fonctionner. De nombreuses équipes constatent toujours que les workflows traditionnels sont performants, même dans des scénarios où des agents pourraient, en théorie, être appliqués.

L'une des manières les plus claires d'y penser, décrite dans le blog de Anthropic, est la suivante :

Ceci étant dit, il existe des situations réelles où les agents surpassent les workflows traditionnels dans des tâches qui exigent de la flexibilité, du raisonnement et de l'adaptabilité :

Conversations dynamiques qui nécessitent des adaptations :

Certaines interactions, comme les demandes de remboursement basiques ou la réinitialisation de mot de passe, s'intègrent parfaitement dans des workflows. Mais d'autres nécessitent un jugement nuancé ou des décisions sensibles au contexte, comme des recommandations personnalisées, qui dépendent fortement du contexte et d'un raisonnement itératif.

Prise de décision à haute valeur et faible volume :

Les agents peuvent être coûteux à faire fonctionner, mais dans certains cas, les décisions qu'ils soutiennent sont bien plus coûteuses si elles sont prises incorrectement.

Par exemple, BCG a rapporté qu'un fournisseur d'énergie leader en Allemagne a utilisé un outil agentique basé sur la GenAI pour automatiser les révisions de paiement.⁶

Si vous planifiez des infrastructures à grande échelle, comme l'optimisation de conceptions d'ingénierie, le coût du calcul est négligeable. Dans ces cas à enjeux élevés, les agents ajoutent de la valeur car le coût d'une erreur dépasse largement le coût d'exécution du model.

Workflows multi-étapes et imprévisibles :

Certains workflows sont trop complexes, où l'écriture de règles infinies « si ceci, alors cela » devient un projet en soi.

Dans ces cas, les boucles agentiques simplifient le chaos. Au lieu de coder en dur chaque chemin possible, le model décide dynamiquement de l'étape suivante en fonction du contexte et du raisonnement en temps réel.

Cette approche fonctionne bien pour les systèmes de diagnostic ou les outils qui gèrent des dizaines de variables changeantes.

Quand les workflows sont préférables 

Scénarios à haute fréquence et faible complexité :

Certaines tâches dépendent plus de la vitesse et de l'échelle que du raisonnement, comme :

• Récupérer des informations d'une base de données
• Analyser des messages ou des emails structurés
• Répondre à des requêtes de type FAQ

Un workflow pourrait traiter des milliers de ces requêtes, avec un coût et une latence plus prévisibles qu'un agent.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Introduction aux workflows et implémentations d'agents IA

Les agents IA ne sont généralement pas une entité unique. Ils sont plutôt composés de divers sous-agents qui interagissent entre eux. L'une des meilleures ressources que j'ai trouvées sur les workflows et systèmes d'agents courants est le guide Building Effective Agents de Anthropic.⁷

Au cœur des systèmes agentiques se trouve ce que Anthropic appelle l'augmented LLM. Cette structure se compose de trois éléments clés :

• l'entrée,
• le large language model (LLM), 
• et la sortie. 

Source : Anthropic⁸

L'augmented LLM est capable de générer ses propres requêtes de recherche, de sélectionner des outils pertinents et de décider quelles informations stocker en mémoire. 

Vous remarquerez peut-être certaines similitudes avec les composants de OpenAI (comme décrit ci-dessous). Cependant, cette version est plus simplifiée et manque d'éléments comme les garde-fous et l'orchestration, mais la structure fondamentale reste la même. C'est parfaitement acceptable. Pour des tâches telles que les tests et le déploiement, il est préférable de se référer aux composants de OpenAI.

Liste des composants d'agent IA de OpenAI⁹

Pour comprendre comment ces sous-agents s'assemblent et interagissent pour former un agent IA plus large, je commence par les workflows les plus simples et j'évolue progressivement vers des systèmes pleinement autonomes et plus complexes :

1. Workflows agentiques simples (chaînage de prompts)

Le workflow agentique le plus simple est appelé chaînage de prompts. Dans ce processus, une tâche est décomposée en une série d'étapes, où chaque sous-agent traite la sortie du précédent.

À la base, cela fonctionne comme une ligne d'assemblage, mais vous pouvez introduire des points de décision pour rediriger le flux si nécessaire. Le modèle général reste le même : une entrée est traitée par un sous-agent, qui transmet le résultat à un autre sous-agent pour un traitement ultérieur, et ainsi de suite, jusqu'à ce que la sortie finale soit produite. Cette méthode est particulièrement utile pour les tâches qui peuvent être facilement divisées en sous-tâches séquentielles plus petites.

Le workflow de chaînage de prompts¹⁰

Exemple concret :¹¹

Chaînage de prompts dans n8n (plan, évaluation & publication vers sheets)

Dans l'exemple ci-dessus, l'utilisateur saisit un sujet dans la fenêtre de chat n8n. Chaque nœud LLM utilise le model Azure OpenAI.

Le premier LLM génère un plan structuré pour un article de blog. Le prompt pour le rédacteur du plan est le suivant :

Capture d'écran du prompt pour le LLM générateur de plan

Où {{ $json.chatInput }} fait référence au sujet qui a été saisi par l'utilisateur dans la fenêtre de chat.

La variable {{ $json.chatInput }} est grise car le workflow n'a pas encore été exécuté. Si nous avions déjà exécuté ou testé le nœud, elle serait verte ou rouge, selon la validité de la variable.

Ensuite, le LLM suivant évaluera le plan en fonction de critères clés dans la section du message système. Le prompt se trouve ci-dessous :

Le LLM rédacteur de blog final ajoutera une ligne dans une feuille sur le sujet en se basant sur le plan créé par le LLM précédent.

Capture d'écran du prompt pour le LLM rédacteur de blog

Quand utiliser le chaînage de prompts :

• Les tâches peuvent être naturellement décomposées en sous-tâches séquentielles fixes
• Chaque étape contribue de manière significative à la sortie finale
• Le raisonnement étape par étape améliore la précision par rapport à un traitement direct
• Des points de contrôle de qualité sont nécessaires tout au long du processus

2. Workflow de routage

Le routage est un autre type de workflow où une entrée est reçue, et un sous-agent est responsable de diriger cette entrée vers la tâche de suivi appropriée. Chaque tâche est ensuite traitée par un sous-agent spécialisé dans ce domaine, et une fois les tâches terminées, la sortie finale est générée.

Un exemple classique de routage se voit dans les bots de service client. Le bot peut recevoir divers types de requêtes, telles que des demandes générales, des demandes de remboursement ou des problèmes de support technique. Le premier sous-agent identifie la nature de la requête et la route vers le sous-agent spécialisé dans le traitement de ce problème particulier. 

Par exemple, si la requête concerne un remboursement, elle serait routée vers le sous-agent spécialiste des remboursements, tandis qu'une question de support technique serait dirigée vers le sous-agent de support technique. 

Un autre exemple est le routage des questions vers différents models en fonction de leurs forces. Pour des questions STEM plus complexes, vous pouvez router l'entrée vers un model de raisonnement fort tel que Claude Opus 4.7. Pour des requêtes simples et rapides, vous pouvez la router vers un model plus léger tel que Gemini 3.5 Flash, qui est conçu pour la vitesse. 

Exemple concret :¹²

Dans l'exemple ci-dessus, l'agent route l'entrée utilisateur vers des agents spécialisés (comme un Agent de Rappel, un Agent Email, etc.) en utilisant une sortie structurée d'un model de langage. 

Le routeur est connecté à GPT 4o mini. Le prompt et les catégories sont les suivants :

Capture d'écran des paramètres du nœud d'agent IA

Exemples de cas d'utilisation :

Vous pouvez saisir une requête dans la fenêtre de chat n8n. Par exemple :

• L'utilisateur dit : « Rappelle-moi d'appeler ma mère demain. »
  → Routé vers l'Agent de Rappel
• L'utilisateur dit : « Envoie un email à l'équipe RH. »
  → Routé vers l'Agent Email
• L'utilisateur dit : « Planifie une réunion avec John la semaine prochaine. »
  → Routé vers l'Agent de Réunion

Quand utiliser le routage :

• Types d'entrées diversifiés : Votre système reçoit divers types de requêtes qui bénéficient d'un traitement spécialisé
• Optimisation des ressources : Vous voulez assigner des requêtes simples à des processeurs rentables tout en routant les requêtes complexes vers des systèmes avancés
• Spécialisation du domaine : Différentes catégories d'entrées nécessitent une expertise ou une logique de traitement spécifique au domaine
• Optimisation des performances : Vous devez équilibrer la charge et garantir des temps de réponse optimaux pour différents types de requêtes

3. Workflow de parallélisation

Le workflow suivant est la parallélisation. Ce workflow agentique spécifique a généralement deux variations principales. En parallélisation, plusieurs sous-agents travaillent sur une tâche simultanément, et leurs sorties sont ensuite combinées. 

• La première variation est appelée sectionnement, où une tâche est décomposée en sous-tâches indépendantes qui s'exécutent en parallèle. 
• La seconde variation est le vote, où la même tâche est effectuée plusieurs fois par différents sous-agents pour produire des sorties diverses, qui sont ensuite agrégées.

Cela accélère les grands workflows en exécutant des tâches indépendantes en même temps.

Workflow séquentiel vs workflow parallèle : une comparaison temporelle¹³

Exemple concret :¹⁴

Capture d'écran de l'exemple de workflow de parallélisation dans n8n

L'exemple d'exécution parallèle dans n8n démontre une tâche où le workflow interroge la recherche Google en utilisant l'SERP API pour récupérer des URLs LinkedIn et les stocker dans une feuille Google. Dans la configuration initiale, le workflow traite chaque tâche séquentiellement, un site web à la fois :

1. Le workflow est déclenché.
2. L'outil Get récupère le site web de la feuille Google.
3. L'agent IA utilise l'SERP API pour rechercher sur Google et récupérer l'URL LinkedIn.
4. L'URL LinkedIn est ensuite mise à jour dans la feuille Google.

À ce stade, les tâches sont traitées les unes après les autres, ce qui peut être lent lors du traitement de grands datasets.

n8n possède cette fonctionnalité où vous pouvez sélectionner des nœuds, cliquer, puis dire « je veux convertir ces nœuds sélectionnés en un sous-workflow ».

Et ce qui se passe, c'est que lorsque vous cliquez sur ce bouton, il va nommer mon workflow. Lorsque vous confirmez, cela transforme tout cela en un sous-workflow et il est déjà lié ici et appelé par cet élément.

Le sous-workflow créé

Donc n8n a transformé cela en un sous-workflow, mais vous n'avez pas encore de parallélisation car il s'exécuterait toujours tout droit ici.

Pour que cela s'exécute réellement en parallèle, tous les éléments doivent s'exécuter comme des exécutions individuelles. Ainsi, lorsque vous cliquez dans le nœud, vous pouvez choisir « exécuter une fois pour chaque élément », ce qui signifie qu'il va appeler le sous-workflow individuellement pour chaque élément.

Et une fois que vous avez changé cela, vous pouvez aller dans le sous-workflow et cliquer sur les exécutions. Et vous allez voir que les trois éléments s'exécutent exactement en même temps.

Quand utiliser la parallélisation : La parallélisation est plus efficace lorsque les tâches peuvent être divisées en sous-tâches plus petites et indépendantes qui peuvent s'exécuter simultanément, améliorant ainsi la vitesse et l'efficacité.

Elle est également précieuse lorsque plusieurs perspectives ou des tentatives répétées sont nécessaires pour renforcer la confiance dans les résultats. Pour des problèmes comportant plusieurs parties ou critères de notation, les models sont souvent plus performants lorsque chaque partie reçoit son propre appel. Cela permet à chaque appel de rester concentré, rendant le raisonnement plus précis.

4. Workflow orchestrateur-travailleurs

Le workflow suivant, qui devient plus complexe, est le modèle orchestrateur-travailleur.

L'architecture orchestrateur-travailleur rend vos workflows n8n modulaires, évolutifs et adaptatifs, transformant une automatisation rigide unique en un système composable d'agents coopérants.

À première vue, cela peut ressembler à la parallélisation puisque plusieurs sous-agents peuvent être actifs, mais la distinction clé est la flexibilité. Contrairement à la parallélisation, la configuration orchestrateur-travailleur ne repose pas sur une liste fixe de sous-tâches. Au lieu de cela, l'orchestrateur décide dynamiquement des tâches à effectuer, les assigne aux agents travailleurs et gère leur coordination tout au long du processus.

Exemple concret :¹⁵

Capture d'écran de l'exemple de workflow orchestrateur-travailleurs dans n8n

Dans l'exemple ci-dessus, le brief est collecté une fois et un orchestrateur route le travail vers plusieurs agents spécialistes.

L'Agent CEO agit comme le LLM orchestrateur. Il traite le brief d'entrée, l'affine pour chaque département, sélectionne les agents travailleurs à activer et détermine comment leurs sorties seront intégrées. Il peut décider d'appeler un, deux ou tous les travailleurs selon le contexte et les contraintes.

Capture d'écran du nœud Agent CEO

Ci-dessous, trois agents travailleurs, Marketing, Opérations et Finance, exécutent chacun leur propre Chat Model OpenAI avec des configurations de mémoire et d'outils distinctes. Cela permet des prompts spécifiques au département et des schémas JSON pour une sortie structurée.

Capture d'écran des trois nœuds d'agents travailleurs

Une fois que l'orchestrateur a préparé les instructions spécifiques au département, il invoque chaque travailleur comme un outil pour générer des sorties basées sur les entrées.

Par exemple, l'Agent Marketing crée des campagnes (nom, canal, KPI).

Nœud d'outil IA (Agent Marketing)

Après la génération des sorties des travailleurs, l'Agent CEO compile et fusionne les réponses des départements en un plan unique et cohérent. Le workflow écrit ensuite le plan dans un document Google, ajoute des métadonnées, le convertit en PDF et le télécharge automatiquement pour partage ou révision.

Capture d'écran des nœuds de création, conversion et téléchargement de documents

Lors de l'exécution, l'orchestrateur détermine quels agents activer, coordonne leur collaboration et combine leurs sorties en un rapport complet, démontrant comment les workflows orchestrateur-travailleurs permettent des systèmes d'IA flexibles, modulaires et composables.

Quand utiliser le workflow orchestrateur-travailleurs : Cette approche est particulièrement précieuse pour résoudre des problèmes ouverts ou évolutifs où les étapes requises ne peuvent être connues à l'avance.

Exemples où le workflow orchestrateur-travailleur est utile :

• Tâches de codage : Lors du développement ou du débogage de produits logiciels complexes qui nécessitent des modifications coordonnées sur plusieurs fichiers, où les fichiers et modifications exacts peuvent être déterminés pendant l'exécution.
• Recherche et collecte d'informations : Dans des tâches impliquant la recherche, la collecte et l'analyse de données provenant de multiples sources, où les informations pertinentes ne peuvent pas être pleinement identifiées à l'avance et doivent être découvertes dynamiquement.

5. Workflow évaluateur-optimiseur

Encore plus complexe est le workflow évaluateur-optimiseur. Cette configuration tend vers un comportement plus autonome, donnant au sous-agent ou à l'agent IA une plus grande liberté de décider des actions à entreprendre et de la manière d'améliorer ses propres sorties.

Vous commencez par une entrée, et le premier sous-agent génère une solution proposée. Cette sortie est ensuite transmise à un sous-agent évaluateur, qui examine le résultat. Si l'évaluateur le juge satisfaisant, la sortie est finalisée. Mais s'il détermine que le résultat n'est pas assez bon, il le renvoie au premier sous-agent avec des commentaires spécifiques pour amélioration.

Cela crée une boucle de rétroaction continue dans laquelle l'optimiseur affine itérativement sa sortie jusqu'à ce que l'évaluateur détermine qu'elle répond aux normes de qualité requises.

Exemple concret :¹⁶

Pour cet exemple, j'ai utilisé une simulation Python, plutôt qu'un outil no-code, pour montrer directement les schémas d'évaluation, la logique personnalisée et les boucles itératives.

Ceci n'est pas une configuration complète. Pour exécuter le workflow évaluateur-optimiseur de bout en bout, vous aurez besoin d'une configuration d'environnement appropriée, de l'initialisation du model, de la configuration du schéma, etc.

Vous pouvez également implémenter une boucle évaluateur-optimiseur en utilisant des outils d'automatisation de workflow qui supportent des nœuds d'évaluation.

Workflow évaluateur-optimiseur avec Python :

Un exemple de boucle Évaluateur-Optimiseur, un modèle courant dans les systèmes d'IA auto-réflexifs ou les workflows agentiques

Ce workflow représente une boucle automatisée de génération et d'évaluation de contenu où deux composants collaborent : l'un crée, et l'autre révise. Cela garantit que les sorties répondent aux normes de qualité avant la finalisation.

Explication étape par étape :

• Initialiser l'entrée : Créer initial_state = {“content_topic”: topic}.
• Exécuter la boucle : Appeler evaluator_optimizer_workflow.invoke(initial_state) qui, de manière itérative :
  • génère/affine le contenu,
  • évalue la qualité,
  • répète jusqu'à l'approbation ou une limite d'itération maximale.
• Journaliser le résultat : Imprimer le message de complétion et le generated_content approuvé.
• Retourner les résultats : dictionnaire final_state (ex: content_topic, generated_content, quality_assessment).

Visualisation du workflow :

Boucle Évaluateur-Optimiseur avec résultats Python : Chaque cycle utilise les retours précédents pour améliorer le contenu. La boucle produit finalement un contenu qui répond à la norme de qualité :

Quand utiliser le workflow évaluateur-optimiseur : Ce workflow est particulièrement utile lorsqu'il existe des critères d'évaluation clairs et que l'affinement itératif peut mener à des améliorations significatives de la qualité.

Exemples où le workflow évaluateur-optimiseur est utile :

• Par exemple, dans une tâche de traduction littéraire, la première tentative pourrait manquer certaines nuances linguistiques ou tons émotionnels. L'évaluateur fournirait des retours et demanderait des révisions jusqu'à ce que la traduction capture pleinement le sens et les subtilités du texte original. 
• Un autre exemple est l'agrégation de recherches complexes, où l'optimiseur rassemble et résume les informations tandis que l'évaluateur vérifie la profondeur, l'exhaustivité et l'exactitude. Si l'évaluateur juge la recherche insuffisante, il la renvoie pour un travail supplémentaire jusqu'à ce que le rapport final réponde à toutes les exigences et synthétise efficacement les informations nécessaires.

6. Implémentation d'un agent véritablement autonome

Et enfin, il y a l'implémentation d'un agent véritablement autonome. Ce type de système est conceptuellement simple mais peut produire des comportements très divers et complexes en pratique.

L'agent commence son opération avec un minimum d'intervention humaine ; généralement une seule instruction ou un objectif. Une fois la tâche définie, il fonctionne indépendamment, prenant des actions et observant leurs effets sur l'environnement.

Une caractéristique clé de cette approche est l'auto-évaluation : l'agent doit déterminer, sur la base des retours de l'environnement, si ses actions le rapprochent de l'objectif. Par exemple, s'il exécute du code ou utilise des outils externes, il doit évaluer si ces actions contribuent au progrès ou si des ajustements sont nécessaires. Ce cycle guidé par le feedback continue jusqu'à ce que l'agent détermine que l'objectif a été atteint ou qu'aucun progrès supplémentaire n'est possible.

Exemple concret :

Dans notre benchmark des outils de codage IA, nous avons observé que Windsurf et Cursor ont démontré des capacités agentiques en créant autonomement des structures de fichiers, en modifiant plusieurs fichiers et en exécutant des commandes de terminal pour déployer des APIs sur Heroku.

Windsurf s'est même adapté aux récents changements de plateforme : lorsqu'il a découvert que l'add-on PostgreSQL Hobby Dev était obsolète, il a correctement reconfiguré le déploiement pour utiliser PostgreSQL Essential 0.

Résumé

Construire des agents IA consiste moins à atteindre une autonomie complète qu'à créer des systèmes ayant un but, transparents et fiables. À partir de nos expériences dans n8n et des enseignements tirés des guides de Anthropic et OpenAI, nous avons constaté que les agents efficaces résultent de choix de conception.

Lors de l'implémentation d'agents, nous nous concentrons sur trois principes directeurs :

• Garder l'architecture simple. Commencer petit, construire de manière modulaire et introduire de la complexité lorsque cela améliore clairement les performances ou la flexibilité.
• Rendre le processus de raisonnement visible. Permettre aux utilisateurs et aux développeurs de voir comment l'agent planifie et prend des décisions, améliorant ainsi l'interprétabilité et le contrôle.
• Garantir des interactions d'outils fiables. Concevoir des outils dont le périmètre est clair, bien documentés et testés afin que les agents puissent agir de manière cohérente dans des environnements réels.

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{Construire des agents IA avec des modèles composables}},
  year   = {2026},
  month  = may,
  howpublished    = {\url{https://aimultiple.com/building-ai-agents}},
  note   = {AIMultiple. Consulté le 20 Mai 2026}
}

Liens de référence

1.

Building Effective AI Agents \ Anthropic

2.

OpenAI Platform

3.

OpenAI Platform

4.

OpenAI Agents SDK

5.

PurpleBox Website

PurpleBox Security

6.

How Four Companies Use AI for Cost Transformation | BCG

Boston Consulting Group

7.

Building Effective AI Agents \ Anthropic

8.

Building Effective AI Agents \ Anthropic

9.

OpenAI Platform

10.

Building Effective AI Agents \ Anthropic

11.

Generate blogs with GPT-4o prompt chaining: outline, evaluate & publish to Sheets | n8n workflow template

12.

Route user requests to specialized agents with GPT-4o Mini | n8n workflow template

13.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

14.

n8n Parallel Execution and Sub Workflows for Faster Modular Automation - YouTube

15.

Collaborative sales planning with multi-agent AI, Google Docs, and Slack | n8n workflow template

16.

Agentic AI Workflow Patterns: Evaluator-Optimizer (4/4) | by Piyush Agnihotri | The Advanced School of AI | Medium

The Advanced School of AI

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire